OBB가 포함된 DOTA 데이터 세트

DOTA는 항공 이미지에서 물체 탐지를 강조하는 전문 데이터 세트입니다. DOTA 데이터 세트 시리즈에서 시작된 이 데이터 세트는 OBB(Oriented Bounding Box)를 사용하여 다양한 항공 장면을 캡처한 주석이 달린 이미지를 제공합니다.

주요 기능

• 800 × 800에서 20,000 × 20,000 픽셀에 이르는 다양한 센서와 플랫폼에서 수집한 이미지 크기입니다.
• 18개 카테고리에 걸쳐 170만 개 이상의 오리엔티드 바운딩 박스를 제공합니다.
• 멀티스케일 오브젝트 감지 기능을 포함합니다.
• 인스턴스는 전문가가 임의의 사변형(8디옵션)을 사용하여 다양한 축척, 방향 및 모양의 객체를 캡처하여 주석을 달았습니다.

데이터 집합 버전

DOTA-v1.0

• 15개의 공통 카테고리가 포함되어 있습니다.
• 2,806개의 이미지와 188,282개의 인스턴스로 구성되어 있습니다.
• 분할 비율: 교육용 1/2, 검증용 1/6, 테스트용 1/3.

DOTA-v1.5

• DOTA-v1.0과 동일한 이미지를 통합합니다.
• 아주 작은 인스턴스(10픽셀 미만)에도 주석을 달 수 있습니다.
• 새 카테고리 추가: "컨테이너 크레인".
• 총 403,318개의 인스턴스.
• 항공 이미지의 물체 감지에 관한 DOAI 챌린지 2019를 위해 출시되었습니다.

DOTA-v2.0

• Google 어스, GF-2 위성 및 기타 항공 이미지에서 수집한 자료입니다.
• 18개의 공통 카테고리가 포함되어 있습니다.
• 11,268개의 이미지와 무려 1,793,658개의 인스턴스로 구성되어 있습니다.
• 새로운 카테고리가 도입되었습니다: "공항" 및 "헬기장".
• 이미지 분할:
  • 교육: 1,830개 이미지, 268,627개 인스턴스.
  • 유효성 검사: 593개 이미지, 81,048개 인스턴스.
  • 테스트 개발: 2,792개 이미지, 353,346개 인스턴스.
  • 테스트 챌린지: 6,053개 이미지, 1,090,637개 인스턴스.

데이터 세트 구조

DOTA는 OBB 객체 감지 과제에 맞게 구조화된 레이아웃을 보여줍니다:

• 이미지: 다양한 지형과 구조물을 촬영한 방대한 고해상도 항공 이미지 모음입니다.
• 오리엔티드 바운딩 박스: 방향에 관계없이 개체를 둘러싸는 회전된 직사각형 형태의 주석으로 비행기, 선박, 건물과 같은 개체를 캡처하는 데 이상적입니다.

애플리케이션

DOTA는 항공 이미지 분석을 위해 특별히 맞춤화된 모델을 훈련하고 평가하는 벤치마크 역할을 합니다. OBB 주석이 포함되어 있어 항공 이미지의 뉘앙스에 맞는 특수한 물체 감지 모델을 개발할 수 있는 독특한 과제를 제공합니다.

데이터 세트 YAML

일반적으로 데이터 세트에는 데이터 세트의 구성을 자세히 설명하는 YAML(또 다른 마크업 언어) 파일이 통합되어 있습니다. DOTA v1 및 DOTA v1.5의 경우 Ultralytics 에서 다음을 제공합니다. DOTAv1.yaml 그리고 DOTAv1.5.yaml 파일을 다운로드하세요. 이러한 파일과 DOTA v2에 대한 자세한 내용은 DOTA의 공식 저장소 및 문서를 참조하세요.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2/
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota1  ← downloads here (2GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 images

# Classes for DOTA 1.0
names:
  0: plane
  1: ship
  2: storage tank
  3: baseball diamond
  4: tennis court
  5: basketball court
  6: ground track field
  7: harbor
  8: bridge
  9: large vehicle
  10: small vehicle
  11: helicopter
  12: roundabout
  13: soccer ball field
  14: swimming pool

# Download script/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/DOTAv1.zip

DOTA 이미지 분할

DOTA 데이터셋을 학습시키기 위해 고해상도의 원본 DOTA 이미지를 1024x1024 해상도의 이미지로 분할하여 멀티스케일 방식으로 학습시켰습니다.

from ultralytics.data.split_dota import split_trainval, split_test

# split train and val set, with labels.
split_trainval(
    data_root='path/to/DOTAv1.0/',
    save_dir='path/to/DOTAv1.0-split/',
    rates=[0.5, 1.0, 1.5],    # multiscale
    gap=500
)
# split test set, without labels.
split_test(
    data_root='path/to/DOTAv1.0/',
    save_dir='path/to/DOTAv1.0-split/',
    rates=[0.5, 1.0, 1.5],    # multiscale
    gap=500
)

사용법

DOTA v1 데이터 세트에서 모델을 훈련하려면 다음 코드 스니펫을 활용할 수 있습니다. 사용 가능한 인수의 전체 목록은 항상 모델 설명서를 참조하세요.

from ultralytics import YOLO

# Create a new YOLOv8n-OBB model from scratch
model = YOLO('yolov8n-obb.yaml')

# Train the model on the DOTAv2 dataset
results = model.train(data='DOTAv1.yaml', epochs=100, imgsz=640)

# Train a new YOLOv8n-OBB model on the DOTAv2 dataset
yolo obb train data=DOTAv1.yaml model=yolov8n-obb.pt epochs=100 imgsz=640

샘플 데이터 및 주석

데이터 집합을 한 눈에 보면 그 깊이를 알 수 있습니다:

• DOTA 예시: 이 스냅샷은 항공 장면의 복잡성과 오브젝트를 자연스러운 방향으로 캡처하는 오리엔티드 바운딩 박스 주석의 중요성을 강조합니다.

풍부한 데이터 세트는 항공 이미지에서만 볼 수 있는 물체 감지 문제에 대한 귀중한 인사이트를 제공합니다.

인용 및 감사

DOTA를 활용하는 사람들은 관련 연구 논문을 인용하는 것이 적절합니다:

@article{9560031,
  author={Ding, Jian and Xue, Nan and Xia, Gui-Song and Bai, Xiang and Yang, Wen and Yang, Michael and Belongie, Serge and Luo, Jiebo and Datcu, Mihai and Pelillo, Marcello and Zhang, Liangpei},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges},
  year={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

이 데이터 세트를 큐레이팅하는 데 많은 노력을 기울인 DOTA 데이터 세트 제작팀에게 특별히 감사의 말씀을 전합니다. 데이터 세트와 그 뉘앙스에 대해 자세히 알아보려면 공식 DOTA 웹사이트를 방문하시기 바랍니다.

댓글